¿Qué es R y RStudio?
RStudio es una interfaz libre y gratuita que nos permite explotar todo el potencial que tiene el lenguaje de programación R.
R es un lenguaje que ofrece una gran variedad de funciones para realizar cálculos estadísticos y generar diversos gráficos a partir de los datos. Sin embargo, el gran potencial está en que, al ser libre y colaborativo, constantemente los usuarios están actualizando y ampliando la cantidad de funciones que presenta. Hoy en día podemos realizar desde operaciones básicas sobre los datos hasta aplicar algoritmos de inteligencia artificial.
A su vez, dentro de RStudio, hay diferentes formatos de archivos (RMarkdown, RScript, RNotebook, etc) y su elección depende del objetivo que tengamos. En nuestro caso, a lo largo del curso trabajaremos con el formato RMarkdown, un tipo de documento de RStudio que integra texto con código de R y nos permite generar informes a partir de los datos.
Empecemos de a poco:
Lo primero que debemos hacer es descargar e instalar el Lenguaje de programación R y después la interfaz RStudio. Es necesario que la instalación sea en ese orden para ser exitosa.
Luego vamos a crear un nuevo proyecto y un nuevo RMarkdown. Crear un proyecto nos ayudará a darle orden a nuestro trabajo ya que todos los datos que vayamos utilizando y todos los RMarkdown que vayamos generando quedarán vinculados al convivir dentro del mismo proyecto/carpeta.
Paso 1
Una vez instalados el lenguaje y la interfaz, debemos abrir RStudio. Nos encontraremos con una pantalla que al principio puede resultar poco intuitiva, pero no se asusten que de a poco iremos entendiendo para que sirve cada parte.
Paso 2
Ahora si, creemos nuestro primer proyecto, es decir, el directorio donde vamos a ir guardando todos los datos con los que queramos trabajar. Para mantener el orden, es recomendable crear un nuevo proyecto por temática/análisis que se desee realizar.
Para esto seleccionemos “File/New Project…”
Paso 3
Luego seleccionemos “New Directory”
Paso 4
Ahora si, elijamos la opción de crear un “New Project”
Paso 5
Y luego elijamos el Directorio (carpeta/lugar de la computadora donde lo queremos guardar) y el nombre de nuestro proyecto, en mi caso lo voy a llamar “UTDT-DATOS”.
Paso 6
Listo, ¡Ya tenemos nuestro proyecto creado! Si todo salió bien, deberíamos poder verlo en el directorio que seleccionamos en el paso anterior. Recuerden que, a simple vista, el proyecto será nada más ni nada menos que una carpeta.
Paso 1
Una vez que estoy adentro de mi proyecto, para crear un RMarkdown hay que ir a “File/New File/RMarkdown…”
Paso 2
Se abrirá una ventana donde podemos poner el título que encabezará nuestro RMarkdown, el autor, la fecha y seleccionar que tipo de documento queremos: puede ser HTML, PDF o Word. Por hoy elijamos HTML que es el más amigable para generar informes.
Paso 3
¡Misión cumplida! en muy pocos pasos ya tenemos un Proyecto de R con nuestro primer RMarkdown dentro. Si todo salió bien, deberíamos tener algo así:
Antes de seguir, analicemos un poco la Interfaz Gráfica de RStudio:
Tal como se ve en la imagen, podríamos dividir la interfaz en 4 partes/ventanas:
Este panel es en el que vamos a estar creando y modificando nuestro RMarkdown. Aquí también podría haber otro formato de archivo R, como por ejemplo R Script o R Notebook.
En esta ventana iremos viendo todos los datos que hayamos cargado. Desde aquí también podremos importar o eliminar datos.
Desde la pestaña Historial podremos consultar el historial de comandos y funciones que fuimos utilizando en el Proyecto.
En la ventana inferior izquierda irá apareciendo todo lo que ejecutemos tanto desde el Panel de Edición como desde el Entorno de Variables, pero también podemos escribir líneas de código que queremos que se ejecuten y que no queden escritas en el RMarkdown.
En la ventana inferior derecha se pueden ver varias cosas:
Files: El Directorio donde estamos trabajando.
Plots: Las visualizaciones/gráficos que se van generando.
Packages: Los paquetes de R disponibles.
Help: Una sección de ayuda donde podemos consultar información de las funciones.
Viewer: Un visor HTML para ver los gráficos interactivos o animados que hayamos hecho.
¿Para que sirve el formato RMawkdown?
Este formato sirve para manipular datos y armar informes listos para presentar.
Tenemos 2 “formas” de escribir en un RMarkdown:
El RMarkdown tiene una sintaxis específica para poder dar formato al texto del informe final, por ejemplo si escribimos así:
Obtenemos los siguientes resultados:
Y se inserta haciendo click en Insert/R o con el siguiente atajo en el teclado: Ctrl + Alt + I
Por lo general, siempre que hagamos un Informe en RMarkdown, estará compuesto por Texto y Chunks (como este manual de clase que fue escrito completamente en RMarkdown).
A continuación vamos a trabajar con los datos del Sistema Único de Atención Ciudadana (SUACI) del Gobierno de la Ciudad de Buenos Aires. Estos datos son públicos y pueden encontrarlos en el portal BA Data.
En este caso, para facilitar la manipulación de la información, usaremos un set de datos (en formato .csv) previamente procesado que contiene datos de los contactos realizados a SUACI en Octubre del 2021. Pueden descargarlo de https://data.world/angie-scetta/suaci-oct-2021
Recomendación: Al descargarlo, moverlo de la carpeta “Descargas” a una nueva carpeta llamada “data” dentro de la carpeta del Proyecto donde estén trabajando.
Ahora si, manos a la obra! Para cargar el dataset pueden copiar la siguiente línea de código y pegarla dentro de un chunk:
suaci_202110 <- read.csv("data/suaci_202110.csv", stringsAsFactors = TRUE)
Si todo sale bien, al ejecutar el chunk anterior, deberían tener la base de datos cargada en el Entorno de Variables o Enviroment.
Ahora conozcamos nuestro dataset y veamos como se estructura (cuantas filas y columnas tiene) y que información trae.
Para esto empezaremos utilizando la función dim():
dim(suaci_202110)
## [1] 52926 10
Podemos ver que tenemos 52.926 registros/filas y 10 columnas. También podríamos ver esto por separado de la siguiente forma:
ncol(suaci_202110)
## [1] 10
nrow(suaci_202110)
## [1] 52926
Pero ¿Qué información contienen esas 10 columnas?
Esto podemos verlo con names():
names(suaci_202110)
## [1] "contacto" "periodo" "categoria" "subcategoria"
## [5] "prestacion" "tipo_prestacion" "domicilio_comuna" "domicilio_barrio"
## [9] "canal" "genero"
Bien, las variables tienen información que refiere a:
ID de contacto
Período/mes en que se realizó el contacto
Categoría, subcategoría, prestación y tipo de prestación a la que pertenece
Comuna y barrio donde se ubica
Canal por el que se realizó
Género del vecino/a que se contactó
Parece que cada fila/registro de la base corresponde a un único
contacto/reclamo, pero veamos una pequeña muestra de la
data con head() para estar seguros:
head(suaci_202110)
## contacto periodo categoria subcategoria
## 1 00443037/21 202110 LIMPIEZA Y RECOLECCIÓN CESTOS Y CONTENEDORES
## 2 00442177/21 202110 TRÁNSITO DENUNCIA VIAL
## 3 00442090/21 202110 TRÁNSITO DENUNCIA VIAL
## 4 00442314/21 202110 TRÁNSITO DENUNCIA VIAL
## 5 00442395/21 202110 TRÁNSITO DENUNCIA VIAL
## 6 00442458/21 202110 TRÁNSITO DENUNCIA VIAL
## prestacion tipo_prestacion domicilio_comuna domicilio_barrio
## 1 Reubicación de contenedor Solicitud Comuna 13 Belgrano
## 2 Vehículo mal estacionado Denuncia Comuna 10 Monte Castro
## 3 Vehículo mal estacionado Denuncia Comuna 1 San Telmo
## 4 Vehículo mal estacionado Denuncia Comuna 13 Belgrano
## 5 Vehículo mal estacionado Denuncia Comuna 1 Puerto Madero
## 6 Vehículo mal estacionado Denuncia Comuna 13 Nuñez
## canal genero
## 1 App BA 147 Femenino
## 2 App Denuncia Vial Masculino
## 3 App Denuncia Vial Masculino
## 4 App Denuncia Vial Masculino
## 5 App Denuncia Vial Masculino
## 6 App Denuncia Vial Masculino
Y un resumen estadístico de la información con
summary():
summary(suaci_202110)
## contacto periodo categoria
## 00441631/21: 1 Min. :202110 LIMPIEZA Y RECOLECCIÓN :18200
## 00441632/21: 1 1st Qu.:202110 TRÁNSITO :16037
## 00441633/21: 1 Median :202110 BARRIOS EMERGENTES : 4275
## 00441634/21: 1 Mean :202110 CALLES Y VEREDAS : 4233
## 00441635/21: 1 3rd Qu.:202110 ARBOLADO Y ESPACIOS VERDES : 2460
## 00441636/21: 1 Max. :202110 ORDENAMIENTO DEL ESPACIO PÚBLICO: 1422
## (Other) :52920 (Other) : 6299
## subcategoria
## DENUNCIA VIAL :14759
## RESIDUOS VOLUMINOSOS :13216
## REPARACIÓN DE VEREDA : 3342
## CESTOS Y CONTENEDORES : 3063
## LIMPIEZA DE VÍA PÚBLICA: 1906
## DESAGOTE : 1898
## (Other) :14742
## prestacion tipo_prestacion
## Vehículo mal estacionado :14475 Denuncia :17891
## Retiro de escombros / restos de obra : 9592 Queja : 2434
## Reparación de vereda : 2122 Reporte : 940
## Retiro de restos de jardinería domiciliaria: 1985 Servicio :13249
## Desagote de pozo ciego (atmosférico) : 1898 Solicitud:18412
## Desobstrucción (Vactor) : 1761
## (Other) :21093
## domicilio_comuna domicilio_barrio canal
## Comuna 11: 5199 Palermo : 4091 App BA 147 :18348
## Comuna 12: 4993 Flores : 3030 GCS Web :17584
## Comuna 13: 4849 Caballito : 2865 App Denuncia Vial: 7740
## Comuna 15: 4315 Belgrano : 2675 Boti : 4429
## Comuna 14: 4067 Villa Urquiza: 2267 Operador UGIS : 4274
## Comuna 7 : 3992 (Other) :37196 Comuna : 376
## (Other) :25511 NA's : 802 (Other) : 175
## genero
## : 4274
## Femenino :21440
## Masculino:27164
## Otros : 48
##
##
##
A priori, en este resumen podemos entender varias cosas de la data. Por ejemplo:
Solamente Hay registros de contactos realizados en Octubre 2021.
La mayoría de los contactos refieren a la categoría Limpieza y recolección, seguida por Tránsito.
La mayoría de los contactos refieren a la subcategoría Denuncia vial, seguida por Residuos voluminosos.
La prestación que más veces aparece en la base es el de Vehículo mal estacionado, seguida por Retiro de escombros / restos de obra.
Los tipos de prestación más realizadas son la Solicitud y la Denuncia, ambas con cantidades muy similares.
La Comuna que más contactos tiene es la Comuna 11, seguida por la Comuna 12.
El Barrio que más contactos tiene es Palermo, seguido por Flores.
Por último, investiguemos como es la estructura de la
data, es decir que tipo de información tiene cada campo. Si
bien algo ya nos imaginamos gracias al summary(), usemos
str() para revisarlo:
str(suaci_202110)
## 'data.frame': 52926 obs. of 10 variables:
## $ contacto : Factor w/ 52926 levels "00441631/21",..: 1407 547 460 684 765 828 921 1198 1352 1363 ...
## $ periodo : int 202110 202110 202110 202110 202110 202110 202110 202110 202110 202110 ...
## $ categoria : Factor w/ 19 levels "","ALUMBRADO",..: 10 19 19 19 19 19 19 19 19 19 ...
## $ subcategoria : Factor w/ 69 levels "","ACCESO A LA INFORMACIÓN PÚBLICA",..: 7 13 13 13 13 13 13 13 13 13 ...
## $ prestacion : Factor w/ 220 levels "Acceso a la información pública",..: 197 214 214 214 214 214 214 214 214 214 ...
## $ tipo_prestacion : Factor w/ 5 levels "Denuncia","Queja",..: 5 1 1 1 1 1 1 1 1 1 ...
## $ domicilio_comuna: Factor w/ 16 levels "Comuna 1","Comuna 10",..: 5 2 1 5 1 5 9 6 1 11 ...
## $ domicilio_barrio: Factor w/ 48 levels "Agronomia","Almagro",..: 5 18 33 5 27 20 3 21 17 2 ...
## $ canal : Factor w/ 10 levels "App BA 147","App Denuncia Vial",..: 1 2 2 2 2 2 2 2 2 2 ...
## $ genero : Factor w/ 4 levels "","Femenino",..: 2 3 3 3 3 3 3 3 3 3 ...
Existen varios tipos de datos, pero en nuestro dataset nos encontramos con 2: integer (int) y Factor.
Ahora bien, ¿Qué significa eso?
Integer son números enteros, es decir que el campo solo admite números sin decimales como por ejemplo un DNI o la cantidad de habitaciones de una propiedad.
Factor son categorías, por ejemplo Barrios, Partidos, etc.
Sin embargo, también es muy común que trabajando con diferentes datasets se encuentren con variables de tipo numeric (num) o character (chr):
Numeric son números con decimales, como por ejemplo, latitud y longitud.
Character son campos que contienen letras/texto libre, como por ejemplo, mails.
Además del tipo de dato, con str() también podemos ver
la cantidad de niveles que tienen las variables de tipo Factor. Por
ejemplo, se observa que la columna género solo tiene 4 categorías
posibles, en cambio la columna prestación tiene 211.
Bonus Track
¿Cómo hacemos si queremos ver un resumen estadístico o la estructura de una sola de las columnas del dataset? Para esto utilizamos el símbolo $ de la siguiente forma:
summary(suaci_202110$genero)
## Femenino Masculino Otros
## 4274 21440 27164 48
str(suaci_202110$genero)
## Factor w/ 4 levels "","Femenino",..: 2 3 3 3 3 3 3 3 3 3 ...
Por último, generemos nuestro primer reporte HTML para poder ver todos los resultados en un único informe que pueda ser comprensible por cualquier persona sin necesidad de saber usar R. Para esto debemos hacer click en Knit / Knit to HTML:
Abrir RStudio y crear un nuevo proyecto de R.
Elegir y descargar de algún portal de datos abiertos/públicos un dataset que resulte de su interés en formato csv, y guardarlo en la carpeta “data” dentro del proyecto.
Crear un archivo RMarkdown con texto, chunks y código que permitan hacer al menos 4 de las siguientes operaciones:
Abrir el csv.
Revisar cantidad de filas y columnas.
Inspeccionar los nombres de las columnas.
Mostrar el encabezado del dataset.
Generar un resumen estadístico del contenido de cada columna. Comentar resultados.
Analizar la estructura que presentan las columnas. Comentar resultados.
El dataset pueden descargarlo de alguno de los siguientes links:
O de cualquier otro portal de datos que conozcan o encuentren!